帮你打造属于自己的搜索引擎---Google篇
继续上次的百度篇，我们来看看Google。
一、认识Google搜索
Google搜索，全球最大搜索引擎，2004年8月在美国纳斯达克上市交易.Google从2000年开始提供中文搜索服务，目前是国内用户使用率仅次于百度的搜索引擎，提供网页、新闻、图片、论坛、本地等各种搜索
1、Google网页搜索的查询参数
必备参数
☆ q--查询的关键词(Query)，百度对应的参数为wd
☆ hl--Google搜索的界面语言(Interface Language)
常用的有：
hl=zh-CN 简体中文语言界面，我们用的Google中文就是这个参数。
hl=zh-TW 繁体中文语言界面，港台地区常使用
hl=en 英文语言界面
☆start--显示结果的页数,百度对应的参数为pn
可选参数
☆ lr--搜索内容的语言限定(Language Restrict),限定只搜索某种语言的网页。如果lr参数为空，则为搜索所有网页。
常用的有：
lr=lang_zh-CN 只搜索简体中文网页
lr=lang_zh-TW 只搜索繁体中文网页
lr=lang_zh-CN|lang_zh-TW 搜索所有中文网页
lr=lang_en 只搜索英文网页
☆ ie--查询输入文字的编码(Input Encoding),Google缺省设置ie=utf-8,即请求Google搜索时参数q的值是一段utf-8编码的文字，如果要直接使用中文，可以设置ie=gb2312,即为简体中文编码
☆ oe--搜索返回页面的编码(Output Encoding),Google缺省设置oe=utf-8
☆ num--搜索结果显示条数(Number),取值范围在10--100条之间，缺省设置num=10,百度对应的参数为rn
☆ newwindow--是否开启新窗口以显示查询结果。 缺省设置newwindow=1，在新窗口打开网页
☆ safe--安全搜索选项(SafeSearch),设置该参数可以过滤成人内容， 缺省设置safe为空，即不过滤成人内容，设置为safe=vss，即过滤成人内容。这个参数真是让一些人欢喜，让一些人忧。:)
2、Google网页搜索结果页面结构
和百度的很相似，按源代码结构自上而下为：
搜索框
赞助商链接
搜索结果
分页区
相关搜索
底部搜索框
版权区
其中“搜索结果、分页区”这两部分就是我们需要的有效数据。
二、核心函数--使用asp的xmlhttp组件
上一篇讲了一般的采集代码，在采集Google时有什么不同？
实际上采集百度和采集Google最大的不同在于，两者搜索结果返回页面使用的字符编码不同。百度作为中文搜索，其页面编码缺省是GB2312，使用xmlhttp的responseBody方法接受的数据是未解码的unsigned bytes数组，需要用相应函数转换为gb2312编码才能正常显示。而Google页面编码缺省是utf-8，恰好xmlhttp的responsetext方法返回的字符串缺省为utf-8编码的，所以我们可以直接使用responsetext方法返回Google数据，而无须编码转换了。
采集代码如下
set http=Server.createobject("MSXML2.XMLHTTP")
Http.open "GET",url,false '打开xmlhttp
Http.send() '发送请求
if Http.readystate<>4 then
exit function
end if
getHTTPPage=Http.responsetext '直接返回utf-8编码结果
set http=nothing '释放xmlhttp
三、完整代码（文件名：searchi_gg1.asp 精简版)
[Code Start]
<%
option explicit
Dim start,keywords
start = Request.QueryString("start")
keywords = Request("keywords")
'开始错误处理
On Error Resume Next
If Err.Number <> 0 Then
Response.Clear
'显示错误信息给用户
Response.Write "<p align='center' ><font size=3> 出错了，请重新打开Google搜索.</font></p>"
end if
%>
<HTML>
<HEAD>
<TITLE>Google搜索--<%=keywords%></TITLE>
</HEAD>
<STYLE type=text/css>
<!--
body,td{font-family:arial}
TD{FONT-SIZE:9pt;LINE-HEIGHT:18px}
.cred{color:#FF0000}
//-->
</STYLE>
<BODY leftmargin="0" topmargin="3" marginwidth="0" marginheight="0">
<table align="center" width="98%" cellspacing="0" cellpadding="0" border="0" bgcolor="#ffffff" >
<tr>
<form name="f1" method="post" action="searchi_gg1.asp">
<td width=150 height=50>
你的LOGO
</td>
<td align="left">
<input name=keywords size="40" maxlength="100" title="输入关键字,然后Let's Searching..." value="<%=keywords%>">
<input type="submit" value=" Google搜索[精简] ">
</td></form></tr>
</table>
<%
Dim strUrl,strTmp_gg,strInfo,strPage,strPageSum_gg,strQtime_gg
Dim bNoResult_gg,regEx,patrn,strPage1
Dim strArray_ggTemp,iNa,i,strArray_gg(10)
If keywords<>"" then
'Google查询字符串
strUrl ="http://www.google.com/search?hl=zh-CN&lr=lang_zh-CN&ie=gb2312&oe=UTF-8&sa=N&num=10&start="&start&"&q="&keywords
'开始采集
strtmp_gg = GetHTTPPage(strUrl)
' 开始轮询服务器1，突破Google暂时屏蔽ip的问题
if strtmp_gg="0" then
strUrl="http://216.239.39.99/search?hl=zh-CN&lr=lang_zh-CN&ie=gb2312&oe=UTF-8&sa=N&num=30&start="&start&"&q="&keywords
strtmp_gg = GetHTTPPage(strUrl)
' 开始轮询服务器2
if strtmp_gg="0" Then
strUrl="http://216.239.57.99//search?hl=zh-CN&lr=lang_zh-CN&ie=gb2312&oe=UTF-8&sa=N&num=30&start="&start&"&q="&keywords
strtmp_gg = GetHTTPPage(strUrl)
end if
end if
If InStr(strtmp_gg,"找不到和您的查询")<>0 or (InStr(strtmp_gg,"Server Error")<>0) Or strtmp_gg="0" Then
bNoResult_gg=1
End If
'截取"搜索结果"部分的内容
strinfo = strCut(strtmp_gg,"<div>","</div>",2)
strArray_ggTemp = Split(strinfo,"<p class=g>")
iNa=Ubound(strArray_ggTemp)
'过滤掉Google快照和类似网页功能
for i = 1 to iNa
strArray_gg(i) = "<font size=3><a"&strCut(strArray_ggTemp(i),"<a","- </font>",2)& "</font>"
next
set strArray_ggTemp=nothing
'截取"分页区"部分的内容
strPage1 = strCut(strTmp_gg,"valign=bottom nowrap><font size=-1>","</table></div>",2)
strPage1 = Replace(strPage1,"href=/search?","href=searchi_gg1.asp?keywords="&keywords&"&")
'去除页码图片
patrn="<img.+?br>"
strPage=regReplace(patrn,strPage1,"")
patrn="<td.+?right>"
strPage=regReplace(patrn,strPage,"")
patrn="<td.+?nowrap>"
strPage=regReplace(patrn,strPage," ")
strPage=Replace(strPage,"</font>","")
'结果数量与用时
strPageSum_gg=strCut(strtmp_gg,"有 <b>","</b> 项符合",2)
strQtime_gg=strCut(strtmp_gg,"搜索用时 <b>","</b> 秒",2)
Set strTmp_gg=nothing
End If
%>
<!-- T1-Start -->
<table cellspacing=0 cellpadding=0 border=0 width=98% align="center">
<tr valign=center align=middle height=18>
<td width=1 bgcolor=#999999>
<td nowrap style="FONT-WEIGHT:bold;COLOR:#ffffff;BACKGROUND-COLOR:#0033cc" width=64>互联网</td>
<td align=right bgcolor=#eeeeee><nobr>找到符合<b><%=keywords%></b>的相关网页<b><%=strPageSum_gg%></b>篇，用时<b><%=strQtime_gg%></b>秒</nobr> </td>
</tr>
<tr><td bgcolor=#999999 colspan=3 height=2></td></tr></table>
</td>
</tr>
</table>
<%
if keywords="" then
Response.Write "<p align='center' ><font size=-1> 您好，请在搜索框中输入关键词.</font></p>"
elseif bNoResult_gg=1 then
Response.Write "<p align='center' ><font size=-1> 抱歉，未找到任何符合您查询条件的信息，请重新选择合适的关键词进行查询.</font></p>"
else
%>
<table width="98%" align="center" cellspacing="0" cellpadding="0" border="0">
<tr>
<td style=line-height:160% bgcolor="#ffffff" width="75%" valign=top><br>
<%
for i = 1 to iNa
response.write strArray_gg(i)&"<br><br>"
next
%>
</td>
<td width="25%" valign=top><br> 这是你发挥的空间！
</td>
</tr>
</table>
<table width="98%" align="center" cellspacing="0" cellpadding="4" border="0">
<tr>
<td align="center">
<br><font size=3><%=strPage%></font>
</td>
</tr>
</table>
<%End If
Set strinfo=Nothing
Set strArray_gg(10)=nothing
%>
<hr size="1" width="760" color="#0000ff">
<div align="center"><font size=-1>
程序更新请到这里<a href="http://www.zhihere.com/bbs/dispbbs.asp?boardid=8&id=605" target="_blank"><span class="cred">(知识分享论坛)</span></a>查看</font>
</div>
</BODY>
</HTML>
<%
'采集函数
Function getHTTPPage(url)
On Error Resume Next
dim http
set http=Server.createobject("MSXML2.XMLHTTP")
Http.open "GET",url,false
Http.send()
if Http.readystate<>4 then
exit function
end if
getHTTPPage=Http.responsetext
set http=nothing
If Err.number<>0 then
getHTTPPage="0"
'Response.Write "<div align='center'><b>服务器获取文件内容出错</b></div>"
Err.Clear
End If
End function
'截取字符串,1.包括前后字符串，2.不包括前后字符串
Function strCut(strContent,StartStr,EndStr,CutType)
Dim S1,S2
On Error Resume Next
Select Case CutType
Case 1
S1 = InStr(strContent,StartStr)
S2 = InStr(S1,strContent,EndStr)+Len(EndStr)
Case 2
S1 = InStr(strContent,StartStr)+Len(StartStr)
S2 = InStr(S1,strContent,EndStr)
End Select
If Err Then
strCute = "<p align='center' ><font size=-1>截取字符串出错.</font></p>"
Err.Clear
Exit Function
Else
strCut = Mid(strContent,S1,S2-S1)
End If
End Function
'正则替换函数
Function regReplace(patrn,strSource,strReplace)
Set regEx = New RegExp ' 建立正则表达式。
regEx.Pattern = patrn ' 设置模式。
regEx.IgnoreCase = true
regEx.Global = true
regReplace=regEx.replace(strSource,strReplace)
Set regEx=nothing
End Function
%>
[Code End]
把上面的代码Copy到记事本保存为searchi_gg1.asp，就可以使用了。如果你要更改文件名，请同时把以下代码中蓝色标识部分改为你的文件名
strPage = Replace(strPage,"href=s?","href=searchi_gg1.asp?")
几点说明：
1、Google反采集的手段相对多一些。
a、和百度一样，Google的结果页面代码也常常发生变化，有时在页面局部会出现动态的代码改变，所以要经常观察Google代码变化，根据实际情况改变相关的字符串标识。
b、Google反采集的主要手段就是暂时屏蔽用户IP,当一个用户频繁采集Google数据时，Google就会暂时屏蔽该用户的IP,导致用户无法访问Google,一般隔几分钟就会自己解除屏蔽。如何突破这种限制，在上面的代码中用到的是轮询服务器的方法，就是在几个Google服务器中轮换着查询，利用这中间的时间差克服屏蔽现象。但也有不少问题，比如，轮询多个服务器会导致查询时间过长，而且，我发现有时多个服务器同时进行屏蔽，所以，还要多尝试几个服务器地址，尽量保证它们之间没有多少关联性。
除了这种轮询的方法，还可以使用模拟http请求头的方法，我估计google这种屏蔽手法可能主要靠分析http请求头的数据判断是否为采集行为。可以利用xmlhttp的setrequestheader方法发送模拟的请求头信息，比如：
http.setrequestheader "referer","http://so.163.com"，模拟为163的搜索请求，我以前试过这种方法，管用了没几天就不行了，说明必须全面的进行模拟，由于http请求头的项目很多，也没具体研究，希望落伍的高人能指点一下。但这应该可以成为一种突破方向。
说了这种方法说了那种方法，实际最管用的方法就是就是和Google合作，一、技术上和google合作，自己申请一个Google API的key，然后用这个api做一个自己的搜索引擎，虽然有种种限制，比如Google限制一个key每天调用API的次数不超过一千次。但在其允许范围内肯定是不会屏蔽你IP的。 第二，金钱上和Google合作，只要掏钱给Google，一切问题都好解决了。哎，钱真是个好东西。:D
2、采集比较耗资源，所以程序中尽量早点释放变量或对象。如果你的空间资源不多，建议就不要搞这些了。
3、上边代码为精简版，下载包中含完整版的，可以根据你的需要进行选用。